Dynatrace a annoncé avoir finalisé l’acquisition d’Arize dans le cadre d’une transaction d’une valeur de 915 millions de dollars, après avoir annoncé son intention de conclure l’opération à la mi-août. L’opération réunit l’expertise de Dynatrace dans la surveillance des performances des applications, de l’infrastructure et de la sécurité, ainsi que les capacités d’Arize en matière de suivi, d’évaluation et de correction des problèmes liés au comportement des modèles et des agents d’intelligence artificielle.
Cette opération répond à un problème que les outils de surveillance traditionnels ne permettent pas à eux seuls de révéler : les services et l’infrastructure peuvent fonctionner correctement, tandis que l’agent fournit une réponse erronée, appelle le mauvais outil ou échoue à accomplir la tâche. Les équipes de développement et d’exploitation doivent donc relier ce qui se passe à l’intérieur du modèle et de l’agent à ce qui se passe dans les interfaces de programmation et les services dont ils dépendent.
Deux niveaux de visibilité opérationnelle
Dynatrace a été fondée en Autriche en 2005 et est passée de la surveillance des performances des applications à la surveillance globale et à la sécurité. Depuis 2017, l’entreprise investit également dans Davis, son assistant alimenté par l’intelligence artificielle, qui a ensuite évolué pour devenir un moteur d’analyse des causes profondes, auquel s’ajoutent des capacités prédictives et génératives ainsi que des agents SRE chargés d’enquêter sur les incidents et de les résoudre.
Arize, de son côté, sortie du mode furtif en 2020, a commencé comme une start-up spécialisée dans la surveillance des modèles d’apprentissage automatique en production, avant d’élargir son champ d’action avec la diffusion des grands modèles de langage et des agents afin d’inclure le suivi de leur comportement, la réalisation d’évaluations et l’identification des défaillances susceptibles de ne pas apparaître dans la surveillance traditionnelle des applications.
En pratique, Dynatrace s’adresse généralement aux équipes de fiabilité des sites et des plateformes, tandis qu’Arize se concentre sur les ingénieurs en intelligence artificielle et les développeurs. Après l’intégration des deux plateformes, il sera possible d’enquêter sur la défaillance d’un agent à travers les deux niveaux : la logique du modèle et l’utilisation des outils d’une part, et les services et interfaces de programmation sous-jacents d’autre part.
De la lecture des données à la prise de mesures
Aparna Dhinakaran, cofondatrice et directrice des produits chez Arize, estime que le volume des données de traçage rend l’examen manuel irréalisable. Plutôt que de demander aux ingénieurs d’examiner des milliards de traces, les agents peuvent analyser les données de télémétrie et rechercher les schémas récurrents ainsi que les causes possibles.
Arize affirme que l’outil Signal examine les traces de production, identifie les problèmes récurrents et propose des corrections. Il peut également ouvrir des demandes de fusion en analysant les traces de l’assistant Alyx ; selon Dhinakaran, Arize accepte environ 65 % à 70 % des demandes de fusion proposées par l’outil. Dans ce modèle, l’ingénieur passe de la recherche manuelle dans les traces à l’examen des changements proposés.
Qu’est-ce qui change concrètement ?
La principale valeur de l’opération réside dans la réduction de l’écart entre la conception des applications d’intelligence artificielle et leur fonctionnement fiable en production. Les développeurs et les équipes chargées des plateformes pourront relier la réponse ou la décision de l’agent à la chaîne de services qu’il a utilisée, au lieu de traiter chaque couche avec un outil distinct.
Cette tendance ne supprime toutefois pas la nécessité de mettre en place des garde-fous. La source explique que la vision à long terme repose sur des logiciels capables d’assurer leur propre maintenance et de s’améliorer, tout en laissant aux humains l’examen final. En outre, le taux d’acceptation des demandes de fusion mentionné concerne l’expérience d’Arize et un outil précis, et ne prouve pas que l’auto-correction soit adaptée à tous les environnements de production. Les questions relatives aux autorisations, à la sécurité des changements et aux limites des actions que l’agent est autorisé à exécuter restent des facteurs déterminants avant de transformer l’analyse automatisée en modification directe des systèmes.